▷ Zynq UltraScale+ MPSoC

 ⭐⭐⭐⭐⭐ Zynq UltraScale+ MPSoC

• ➡️ #DigitalSystems #DigitalElectronic #DigitalCircuits #HDL #VHDL #FPGA
• ⭐ https://github.com/vasanza/MSI-VHDL

Los dispositivos Zynq® UltraScale+™ MPSoC ofrecen escalabilidad de procesador de 64 bits a la vez que combinan el control en tiempo real con motores blandos y duros para el procesamiento de gráficos, vídeo, formas de onda y paquetes. Construidos sobre una plataforma común de procesador en tiempo real y lógica programable, tres variantes distintas incluyen dispositivos de doble procesador de aplicaciones (CG), dispositivos de cuádruple procesador de aplicaciones y GPU (EG), y dispositivos de códec de vídeo (EV), creando posibilidades ilimitadas para aplicaciones como 5G Wireless, ADAS de próxima generación e Internet de las cosas industrial.

Zynq UltraScale+ EV

• Video Codec Enabled for Multimedia and Embedded Vision
• Quad Arm Cortex-A53
• Dual Arm Cortex-R5F
• 16nm FinFET+ Programmable Logic
• Arm Mali-400MP2
• H.264/H.265 Video Codec

Genesys ZU: Zynq Ultrascale+ MPSoC Development Board

Genesys ZU es una placa de desarrollo MPSoC Zynq UltraScale+ EG/EV independiente, diseñada para ofrecer un punto de entrada ideal al combinar la rentabilidad con potentes interfaces de conectividad multimedia y de red. Hay dos variantes de Genesys ZU: 3EG y 5EV. Estas dos variantes se diferencian por la versión del chip MPSoC y algunos periféricos. En comparación con el 3EG, con el 5EV se obtiene una DDR4 más rápida, más tejido FPGA, un códec de vídeo y transceptores GTH que permiten la fuente HDMI, el sumidero y el SFP+ 10G. Ambas variantes admiten múltiples interfaces multimedia y de red con una excelente combinación de periféricos integrados, DDR4 de fácil actualización, ranuras Mini PCIe y microSD, junto con conectores de expansión de alta velocidad y multicámara que están diseñados para soportar una amplia gama de casos de uso. El Genesys ZU está dirigido principalmente a aplicaciones basadas en Linux que facilitan el acceso a Wi-Fi, radio celular (WWAN), SSD, USB SuperSpeed y vídeo 4K. Dos puertos especializados diferentes, entre ellos el Pmod y los puertos de módulos de expansión compatibles con SYZYGY de alta velocidad para nuestros nuevos Zmods, permiten una expansión flexible y un fácil acceso a un amplio ecosistema de módulos complementarios, perfecto para la evaluación de silicio y la creación rápida de prototipos.

Aplicaciones

DeepBurning es una herramienta de diseño de aceleración de redes neuronales de extremo a extremo que genera tanto un modelo de red neuronal personalizado como una unidad de procesamiento neuronal (NPU) para una tarea de aprendizaje especializada en FPGAs. La figura muestra la visión general de DeepBurning.

• Prof. Ying Wang (wangying2009@ict.ac.cn)
• Automatic generation of FPGA-based learning accelerators for the neural network family

EDGE Computing es el procesamiento y el análisis de los datos a lo largo de un borde de la red, lo más cercano al punto de su recopilación, para que los datos sean procesables en tiempo real sin ninguna latencia en lugar de procesarlos en la nube. FOG Computing mantiene una comunicación directa con lso dispositivos Gateway ubicados en el borde de la red. La comunicación con estoss gateways puede ser utilizado para actualizar parámetros o realizar transfer Learning con los algotirmos que se esten ejecutando en el borde. Dada la capacidad de almacenamiento y recursos computacionales en el proceso de entrenamiento de lso algoritmos, se puede utilizar en el FOG computing dispositivos basados en FPGA como los que arriba se describen.

• https://www.thinkebiz.net/what-edge-computing/

Read related topics:

• ⭐APU, CPU, GPU e iGPU, ¿en qué se diferencian estos términos?
• ⭐ https://github.com/vasanza/MSI-VHDL
• ✅ 2021 Paper: BCI System using a Novel Processing Technique Based on Electrodes Selection for Hand Prosthesis Control
• ✅ 2020 Paper: Monitoring of system memory usage embedded in #FPGA
• ✅ 2020 Paper: Implementation of a Classification System of #EEG Signals Based on #FPGA
• ✅ 2020 Paper: Behavioral Signal Processing with Machine Learning based on #FPGA
• ✅ #FPGA projects for Engineering Students
• Phrases recognition with Machine Learning #ML (InnovateFPGA)
• Example: Access control system (2)
• Example: Access control system (1)
• Sensor networks for #Agriculture
• #PID control for DC motor
• #PID control for angular position
• Writing letters through eye movement using Machine Learning #ML
• EyeTracker #Classification of subjects with Parkinson's using Machine Learning #ML
• #EEG + #FlexSensor Medical Equipments - #HTMC
• Digital synthesizer
• Microcontroller Architecture #PIC #16F877A
• Behavioral signal processing with Machine Learning #ML (Paper)
• Phrases recognition with Machine Learning #ML (InnovateFPGA)
• Alphabet letters recognition with #MachineLearning using #EMG signals (Paper)
• #EMG signal #Classification with #MachineLearning (Paper) 
• #Epileptic disease clustering with #MachineLearning #ML 
• #EEG signal processing with #MachineLearning #ML 
• #EEG + #EMG signal processing with #MachineLearning #ML
• ✅ Video de #VHDL (Ejemplo 2 - secuencialidad)
• ✅ Video de #VHDL (Ejemplo 1 - concurrencia)